论文部分内容阅读
睡眠是人类生命活动中必须的一个过程,良好的睡眠可以促进人体精神状态、注意力、情绪控制力和判断力的恢复。而随着生活节奏的加快,生活和工作中的压力逐渐增多,失眠成为了影响人体身体健康的又一主要问题,人们迫切的希望自己的睡眠质量得到改善。因此如何更加方便的监测睡眠和对生理数据进行睡眠自动分期成为了现阶段研究睡眠的主要挑战。传统的睡眠分期都是通过判断脑电信号的变化规律来对睡眠状态进行标定。但是脑电信号的采集需要粘贴各种电极,对人体正常的睡眠状态造成影响。在睡眠时人体的心率和呼吸率都会随着睡眠时相的变化表现出类似脑电的节律性变化。而且心率和呼吸率信号的采集方式较脑电信号更为简单,对人体睡眠的侵入式影响小。因此本文决定使用心率和呼吸率来研究睡眠分期。目前也有学者使用心率和呼吸信号中提取的特征作为输入,使用隐马尔科夫模型作为分类器进行睡眠分期计算,但是分期结果的准确率只有60%左右。为了提高对睡眠分期判断的结果,本文首次将隐马尔科夫模型(HMM)和反馈(BP)神经网络模型相结合的混合算法应用到睡眠分期计算中,利用BP神经网络模型强大的模式识别能力对HMM模型计算的错误匹配结果进行训练记忆,提高睡眠分期计算的准确率。本文使用MIT-BIH数据库中的标准心率呼吸率进行建模和测试,结果显示本算法对睡眠分期的识别率可以达到79.07%,比HMM算法识别率要高12%。对比现有基于心率呼吸信号的支持向量机和随机森林睡眠分期算法,结果证明本算法在NREM期的识别率要略好于另外两种算法。本文还将睡眠分期算法应用到自主设计的实时睡眠监测系统中,实现了家居环境下睡眠状态的监测。该系统利用嵌入压电传感器的床垫采集人体睡眠时的BCG信号,从其中分离出心率信号和呼吸率信号并将其传输到数据采集服务器中,由服务器进行分析处理并完成睡眠状态的识别。最终用户可以通过手机查看自己的实时心率、睡眠状态以及整晚的睡眠质量,帮助人们更加快捷方便的了解和改善自己的睡眠。最后使用本睡眠监测系统与脑电监测设备进行对比实验,结果显示使用本文设计的实时睡眠监测系统进行睡眠分期的准确率达到了76.33%,证明本睡眠监测系统在实际家庭应用中是可行的,为日后家庭环境下的睡眠监测奠定了基础。